基于情報大數據的目標活動規律分析?

（武漢市江夏區藏龍北路1號 武漢 430205）

1 引言

目標關鍵信息的獲取是進行后續目標識別的重要步驟，而目標活動規律的分析在目標信息獲取中占有關鍵的地位，對目標航跡的提取、處理、分析可以使我們有效把握目標的行進方向與意圖。傳統的目標活動分析采用對目標利用相關傳統算法進行計算，推理，很難通過單獨利用這些信息對目標進行預測，識別等操作，隨著大數據行業的興起，利用大樣本推算同類樣本的趨勢成為一個廣泛的研究方向，并且在各行各業取得了較好的效果，本文采用傳統與大數據相結合的思想，對目標的航跡規律從不同的維度進行擬合、分類分析，然后又闡述了一種基于深度學習與大數據結合的目標航跡預測方法。通過大數據的應用，使我們能從目標的既往航跡樣本中分析找出該目標的活動規律，對目標的航跡做出合理預測。

2 曲線擬合及基于k-means聚類的目標活動軌跡分類分析方法

2.1 曲線擬合

2.1.1 RANSAC算法及改進

RANSAC算法全稱Random Sample Consensus（隨機抽樣一致）算法，該算法可以從一組包含“局外點”的觀測數據集中，通過迭代方式估計數學模型的參數，去除數據集中的“局外點”（噪聲點），而留在其中的局內點則是符合模型的最佳點的集合。RANSAC算法因為簡單可行，以及對噪聲點魯棒性強的特點受到廣泛的應用。該算法的步驟如下：

1）在數據集C中隨機選取幾個點設為局內點集S；

2）設置合適的數據模型M；

3）把其他點加入到模型中，根據閾值T判斷其是否屬于局內點集，屬于則加入局內點集；

4）記錄下局內點集數量；

5）對步驟1）～4）進行N次重復迭代，則生成N個模型i（1，2，3，…，n），判斷這N個模型中局內點數量最多的模型則為最優模型。

該模型能夠有效去除數據集中的噪聲點，但是該算法在數據點選取上的隨機性使得該算法樣本之間的距離可能很小，從而使數據不具備代表性，進而影響精度。改進的RANSAC算法首先對拋物線進行分段，分成N段數據集，在對每段數據集利用RANSAC算法進行采樣時，同樣對每段數據集分成數段，對每段數據進行隨機采樣，從而形成最終的數據集隨機樣本數據，這樣可以有效避免樣本數據的集中，提高算法精度。

2.1.2 拋物線擬合算法

由最小二乘法的原理可知，最小二乘法是從全局求得最優解，以此獲取對全局最優的二次曲線，沒有有效考慮噪聲點的影響，本文采用最小二乘法與RANSAC相結合的方式來對目標數據進行拋物線擬合，以此達到更好的擬合效果。

具體步驟如下：

1）獲取點數據集（y1，y2，y3…yn），其對應的時間數據為（x1，x2，x3…xn），對數據以時間集為x軸平均分為3個數據集Y1=（y1，y2，y3…yt1），Y2=（y1，y2，y3…yt2），Y3=（y1，y2，y3…yt3）。這樣可以避免算法在某一塊重復選點造成效率降低。

2）設置迭代次數K，對每個數據集用改進的RANSAC算法進行k次迭代。使迭代獲取的數據集中的最大數據集的數據個數Y'≥0.8*Yi（1≤i≤3）時迭代才能結束，這樣可以有效保證模型結果的正確性。

3）若采用步驟2）不能得到正確的數據集，則采用原有的數據集。

4）根據上述步驟得到迭代計算后的高度數據集 H=（y1，y2，y3…ym）。

5）對新的數據集H重新利用最小二乘法進行曲線擬合。

此算法結合了RANSAC與最小二乘法的優點，可以獲得更好的拋物線擬合效果。

2.2 基于k-means聚類思想與曲線相似度的曲線分類建模方法

隨著大數據技術的發展與應用，大數據預測與分析技術正在逐漸成熟，本文采用適用于大數據的聚類k-means算法與曲線相似度相結合的方法對相關類型的數據進行分類分析。

2.2.1 曲線相似度

首先我們設定兩條曲線 S1=（x1，x2，x3…xm），S2=（y1，y2，y3…yn）的距離為

由此我們可知兩條曲線的距離是兩條曲線對應點距離的最大值，該值越小，則表明這兩條曲線越是相似。

設定一個曲線類集合C=(S1，S2，S3，...Sm)，其中Si=(yi1，yi2，...yin)代表集合中的一條曲線，曲線類C的相似度記為

當引入一條新的曲線后，曲線集合C則變成C′，對應的類相似度重新計算變為D′，我們需要判斷D′是否大于D。

為了分析曲線分類的質量，我們設定曲線類質心 ，假 如 曲 線 集 合C=(S1，S2，S3，...Sm) ，其 中Si=(yi1，yi2，...yin)，設置曲線類的質心為

標準差是反映一組離散數據離散程度最常用的量化形式，設有曲線類C=(S1，S2，S3，...Sm)，其中Si=(yi1，yi2，...yin)，其質心，則該曲線在x時刻的標準差為

其中σn越大，則該類集合曲線的差異性越大，其質心的效果也越差，反之該值越小，則集合的差異性越小。

對于曲線集合C=(S1，S2，S3，...Sm)基于曲線相似度的曲線自動分類方法步驟如下：

1）設定曲線的相似度閾值為T；

2）計算曲線集合中每條曲線之間的距離，選取距離最大的兩條曲線中的一條記為S；

3）設置曲線類C1，把曲線S歸入到曲線類C1，設置C=C-C1；

4）在集合C中計算每條曲線到C1的距離，得到最小距離所對應的曲線記為A，記曲線類C1M=C1+A；

5）計算類C1M的相似度D（C1）；

6）若D（C1）>T，則跳轉到第2）步開始執行，否則把曲線A歸入到曲線類C1，記C1=C1+A，C=C-C1，然后跳轉到第5）繼續執行；

7）當數據集C中沒有數據時停止計算。

2.2.2 k-means聚類算法

聚類是指將數據集中在某些方面相似的數據成員進行分類組織的過程，聚類就是一種發現這種內在結構的技術，聚類技術經常被稱為無監督學習。

k-means聚類算法也被稱為K均值聚類算法，是一種比較常見的聚類分析方法，其是一種迭代求解的聚類分析方法。具體步驟如下。

1）隨機選取K個點作為聚類中心，形成K個數據聚類；

2）計算每個點到這K個聚類中心的聚類，選取最近的聚類加入；

3）重新計算每個聚類的質心；

4）重復迭代直到聚類質心不在變化或達到設定的迭代次數。

2.2.3 基于曲線相似度與k-means算法的其他維度曲線分類方法

曲線自動分類算法可以有效地對數據進行分類，其缺點是每增加一個數據，都要重新對曲線進行分類，這樣雖然可以達到很好的分類效果，但是在后期如果數據量巨大的情況下，則需要進行多次重復計算，耗費大量計算工作，不適用于數據量巨大的數據分類。我們采用曲線自動分類與K聚類相結合的思想對大批量曲線數據進行分類。

該方法采用聚類思想，利用曲線的相似度概念對曲線進行分類分析，具體步驟如下：

1）獲取樣本數據（數據量越大，越能有較好的分類效果）；

2）對樣本數據利用曲線自動分類方法分成K類，獲取K個聚類，進而確定了K值；

3）對后續非樣本數據采用k-means算法使其歸屬到具體的某個類別中。

該算法結合了曲線自動分類與k-means聚類的思想，繼承了它們的優點，使得確定的分類種類良好，而且對后續加入的數據也能進行自動歸類，省去重復計算的時間。

目標活動規律建模方法如下：

1）根據目標的類型對目標分成不同的類別；

2）對每類目標的數據進行分類管理；

3）對目標活動規律提取相對高度，相對距離，相對速度，相對方位等特征數據；

4）對特征比較類似拋物線的曲線數據可以采用拋物線擬合的方式規律分析，對于其他類型的數據利用k-means與曲線相似度相結合的方式進行特征數據的分類；

5）得到目標各維度數據的分類結果；

6）依據分類結果對每類數據進行分類管理；

7）對于后續加入數據，依據上述分類算法進行類別歸屬的判別。

起降數據分類建模流程圖如圖1所示。

圖1 起降數據分類建模圖

3 基于LTSM的目標活動規律預測分析

3.1 LTSM神經網絡算法模型

3.1.1 RNN神經網絡

RNN神經網絡，即循環神經網絡，是對DNN神經網絡改進的一種神經網絡計算模型，其有輸入層、隱藏層、輸出層三層組成，RNN每個時刻隱藏層的輸出都會把當前隱藏層的內容傳遞給下一時刻，因此每個時刻的網絡都會保留一定的來自之前時刻的歷史信息，因此該網絡模型可以存儲一定時刻的歷史信息，使其具有一定的記憶能力，在RNN中，神經元的輸出可以在下一個時間段直接作用到自身，即當前層神經元在當前時刻的輸入，除了上層神經元在該時刻的輸出外，還包括其自身在上一時刻的輸出，但是RNN模型也有明顯的缺點，就是可能會引起梯度消失或梯度爆炸現象。

3.1.2 LSTM神經網絡

LSTM全稱長短期記憶人工神經網絡（Long-Short Term Memory），是對RNN的變種，傳統RNN對短期輸入很敏感，LSTM在其中加入一個單元狀態來記憶較長時間內的信息。這種基于單元狀態的信息傳遞方式可有效克服傳統RNN的上述缺點，對RNN模型起到了完善作用。

LTSM模型通過引入遺忘門，輸入門與輸出門來保存與記憶信息。這些門可以打開或關閉，用于判斷模型網絡的記憶態在該層輸出的結果是否達到閾值從而加入到當前該層的計算中，這些門的引入使得我們可以靈活地控制與管理對于歷史信息的運用。

遺忘門，其計算公式如下：

其中Wf是遺忘門的權重矩陣，[pt-1，xt]表示把兩個向量鏈接成一個更長的向量，bf為遺忘門的偏置量，σ為sigmoid函數。

輸入門，公式如下：

根據上次的輸出與本次的輸入可以更新當前單元的輸入狀態mt：

根據 ft，it，mt可以對當前時刻 nt進行更新，計算如下：

輸出門確定我們當前的輸出值pt，計算如下：

3.2 目標活動規律預測算法

利用上述LTSM算法的特征，結合大批量歷史數據及目標的多維度特征可以對目標在一定時間內的目標軌跡進行行為預測。在LTSM的基礎上，提出基于大批量數據的目標活動規律預測算法，具體預測算法步驟如下。

1）獲取目標的多維度特征

為了對目標的活動軌跡進行預測，需要首先建立目標活動規律數據庫，存儲該目標的相對速度，相對距離，相對水平x方向、水平y方向，垂直方向等特征，把這些特征數據作為多維度樣本進行輸入。

2）數據預處理及歸一化

我們拿到的上述多維度數據都是沒有進行處理的，所以首先需要對這些數據進行處理，例如空值補充等，預處理后需要對數據進行歸一化，由于神經網絡激活函數的限制，需要將數據進行數據映射等處理。

3）模型的建立

模型的建立在軌跡預測中起到核心作用，根據LTSM模型，把上述特征輸入該模型中，設置時間窗口，激活函數，利用TensorFlow框架對模型進行快速搭建。

4）模型的訓練

根據建立的模型，輸入訓練樣本數據對該模型進行訓練，然后用準備的測試數據對模型進行評價，最終訓練出具有良好效果的網絡模型。

5）軌跡預測

根據訓練好的模型，利用數據對目標的特征進行預測與分析。

圖2 軌跡預測流程圖

圖3為通過上述模型對若干目標進行預測與實際結果的對比圖。

圖3 預測與實際結果對比圖

4 結語

本文針對目標的活動規律分析，主要進行了兩個方面的研討，首先針對目標活動規律數據的曲線的不同類型介紹了拋物線擬合分類算法及基于曲線相似度與大數據k-means均值聚類算法結合的曲線分類算法，這些算法可以有效地對目標的不同維度的活動數據進行分析。然后本文介紹了一種依托大數據，基于LTSM的目標活動軌跡預測算法，根據該算法模型能夠有效對目標的活動規律行為進行預測與分析。